CN118052255A - 首次预测时间确定方法、装置、设备和存储介质 - Google Patents
首次预测时间确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN118052255A CN118052255A CN202410309753.4A CN202410309753A CN118052255A CN 118052255 A CN118052255 A CN 118052255A CN 202410309753 A CN202410309753 A CN 202410309753A CN 118052255 A CN118052255 A CN 118052255A
- Authority
- CN
- China
- Prior art keywords
- prediction time
- data
- detection interval
- vibration signal
- reconstruction error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 66
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 abstract description 25
- 238000006731 degradation reaction Methods 0.000 abstract description 25
- 230000002159 abnormal effect Effects 0.000 abstract description 19
- 230000005856 abnormality Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种首次预测时间确定方法、装置、设备和存储介质，将当前时刻振动信号加入检测区间；将所述检测区间内的数据输入预先构建的多尺度自编码器，再经解码器输出重构后的数据；将所述检测区间内的数据和对应的所述重构后的数据进行做差运算，得到重构误差；计算所述重构误差的均值和标准差；根据所述重构误差的均值和标准差，采用3σ原则判断所述当前时刻振动信号的采样时间是否为首次预测时间。本发明实施例能够在采集回来一个样本后实时对样本进行退化异常检测，以确定其是否为寻找的异常退化位置，进而确定首次预测时间，与现有技术相比，本发明实施例不需要获取整个轴承寿命周期的振动信号，具备更强的实用性。
Description
技术领域
本发明涉及轴承故障检测领域，尤其涉及一种首次预测时间确定方法、装置、设备和存储介质。
背景技术
在进行轴承寿命预测时，通常将轴承的退化阶段分为正常运行阶段和异常退化阶段。在轴承运行的早期阶段，由于受到的压力和负荷相对较小，轴承往往处于比较稳定的状态，此时获取的数据对剩余使用寿命的准确预测并不重要。相比之下，异常退化位置可以更好地捕捉到轴承开始退化的状态，从异常退化位置开始进行预测更具有实际意义。因此，找到首次预测时间(FPT，First Predict Timepoint)即异常退化位置，再进行轴承剩余使用寿命预测往往能够更准确地指导维护和决策。
但是，目前大多数寻找首次预测时间的方法都是基于一个完整轴承寿命周期的振动信号，然而，在实际工况中，传感器采集轴承数据时并不能直接得到一个完整寿命周期的数据集，因此，有必要提出一种新的首次预测时间确定方法，能够在采集回来一个样本之后就及时对样本进行鉴定。
发明内容
本发明实施例的目的是提供一种首次预测时间确定方法、装置、设备和存储介质，能够在采集回来一个样本后及时快速地对样本进行退化异常检测，以确定其是否为寻找的异常退化位置，进而确定首次预测时间，与现有技术相比，本方法不需要获取整个轴承寿命周期的振动信号，具备更强的实用性。
为实现上述目的，本发明实施例提供了一种首次预测时间确定方法，包括：
将当前时刻振动信号加入检测区间；
将所述检测区间内的数据输入预先构建的多尺度自编码器，再经解码器输出重构后的数据；将所述检测区间内的数据和对应的所述重构后的数据进行做差运算，得到重构误差；
计算所述重构误差的均值和标准差；
根据所述重构误差的均值和标准差，采用3σ原则判断所述当前时刻振动信号的采样时间是否为首次预测时间。
作为上述方案的改进，在所述计算所述重构误差的均值和标准差之前，还包括对所述重构误差进行均值滤波。
作为上述方案的改进，所述检测区间中包括预设数量的振动信号，其中，所述振动信号的采样时间是相邻的，且所述当前时刻振动信号是所述检测区间中最新采集的数据。
作为上述方案的改进，所述多尺度自编码器由三个尺度不同的编码器组成，其中，第一编码器由128个神经元和ReLU激活函数组成，第二编码器由64个神经元和ReLU激活函数组成，第三编码器由32个神经元和ReLU激活函数组成。
作为上述方案的改进，所述根据所述重构误差的均值和标准差，采用3σ原则判断所述当前时刻振动信号的采样时间是否为首次预测时间，包括：
根据重构误差的均值μ和标准差σ构建判定区间，其中，所述判定区间为(0，μ+3σ)；当所述当前时刻振动信号对应的重构误差不位于所述判定区间内时，判定所述当前时刻振动信号的采样时间为首次预测时间。
为实现上述目的，本发明实施例还提供了一种首次预测时间确定装置，包括：
检测区间构建模块，用于将当前时刻振动信号加入检测区间；
数据重构模块，用于将所述检测区间内的数据输入预先构建的多尺度自编码器，再经解码器输出重构后的数据；
重构误差计算模块，用于将所述检测区间内的数据和对应的所述重构后的数据进行做差运算，得到重构误差；
均值和标准差计算模块，用于计算所述重构误差的均值和标准差；
首次预测时间判定模块，用于根据所述重构误差的均值和标准差，采用3σ原则判断所述当前时刻振动信号的采样时间是否为首次预测时间。
为实现上述目的，本发明实施例还提供了一种首次预测时间确定设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一实施例所述的首次预测时间确定方法。
为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一实施例所述的首次预测时间确定方法。
与现有技术相比，本发明实施例提供的首次预测时间确定方法、装置、设备和存储介质，将当前时刻振动信号加入检测区间；将所述检测区间内的数据输入预先构建的多尺度自编码器，再经解码器输出重构后的数据；将所述检测区间内的数据和对应的所述重构后的数据进行做差运算，得到重构误差；计算所述重构误差的均值和标准差；根据所述重构误差的均值和标准差，采用3σ原则判断所述当前时刻振动信号的采样时间是否为首次预测时间。本发明实施例能够在采集回来一个样本后实时对样本进行退化异常检测，以确定其是否为寻找的异常退化位置，进而确定首次预测时间，与现有技术相比，本发明实施例不需要获取整个轴承寿命周期的振动信号，具备更强的实用性。
附图说明
图1是本发明一实施例提供的一种首次预测时间确定方法的流程图；
图2是本发明一实施例提供的计算重构误差的示意图；
图3是本发明一实施例提供的多尺度自编码器的示意图；
图4是采用现有技术确定Bearing2_2的首次预测时间的实验结果示意图；
图5是采用本发明方法确定Bearing2_2的首次预测时间的实验结果示意图；
图6是采用本发明方法确定Bearing2_2的首次预测时间的全寿命周期下的实验结果示意图；
图7是本发明一实施例提供的一种首次预测时间确定装置的结构示意图；
图8是本发明一实施例提供的一种首次预测时间确定设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明实施例提供的首次预测时间确定方法的流程图，包括步骤S1～S5：
S1、将当前时刻振动信号加入检测区间；
S2、将所述检测区间内的数据输入预先构建的多尺度自编码器，再经解码器输出重构后的数据；
S3、将所述检测区间内的数据和对应的所述重构后的数据进行做差运算，得到重构误差；
S4、计算所述重构误差的均值和标准差；
S5、根据所述重构误差的均值和标准差，采用3σ原则判断所述当前时刻振动信号的采样时间是否为首次预测时间。
可以理解的是，准确定位异常退化位置有利于准确预测轴承剩余使用寿命，异常退化位置对应的样本采集时刻即为本发明实施例所述的首次预测时间。目前行业内普遍基于完整轴承寿命周期的振动信号数据集确定首次预测时间，但是这种方法不具实用性，因此，本发明旨在提出一种首次预测时间确定方法，实现对实时采集到的样本进行首次预测时间判定。
本发明实施例在对每个振动信号进行首次预测时间检测时，需要为其构建一个由n个相邻时刻样本组成的检测区间[N1,N2，..,Nn-1,Nn]，具体地，每采集到一个新的振动信号，就将其加入到原检测区间的第n个位置，并剔除原检测区间的第一个样本，形成新的检测区间。本发明实施例通过为每一个采集到的振动信号样本构建检测区间，再基于检测区间内的数据进行首次预测时间检测，从而不需要获取整个轴承寿命周期的振动信号也能进行首次预测时间检测。
进一步地，在步骤S2中，采用多尺度自编码器对检测区间内的数据进行数据重构，从而能够进一步放大异常信号与正常信号间的差异。
参见图2，是本发明一实施例提供的计算重构误差的示意图，可以理解的是，输入多尺度自编码器的检测区间内的数据有n个，则对应的重构后的数据也有n个，进一步地，将检测区间内的数据和对应的重构后的数据进行做差运算得到的重构误差中也包括n个数据。由图2中的方框可以看出，使用多尺度自编码器进行数据重构后，可以将信号间的差异进行放大。在步骤S4中，计算重构误差中的n个数据的均值和标准差；在步骤S5中，根据步骤S4计算出的均值和标准差，采用3σ原则判断当前时刻振动信号的采样时间是否为首次预测时间。
与现有技术相比，本发明实施例提供的首次预测时间确定方法，能够在采集回来一个样本后实时对样本进行退化异常检测，以确定其是否为寻找的异常退化位置，进而确定首次预测时间，与现有技术相比，本发明实施例不需要获取整个轴承寿命周期的振动信号，具备更强的实用性。
作为其中一个可选的实施例，在所述计算所述重构误差的均值和标准差之前，还包括对所述重构误差进行均值滤波。
优选的，为了避免重构误差中个别极大值对首次预测时间检测的影响，在得到重构误差后，还对重构误差中的数据进行均值滤波，之后再对均值滤波后的重构误差计算均值和误差。
具体地，均值滤波的公式如式(1)所示：
其中，yi表示滤波后的第i个重构误差，xj表示滤波前的第j个重构误差，K为均值滤波的窗口大小。
作为其中一个可选的实施例，所述检测区间中包括预设数量的振动信号，其中，所述振动信号的采样时间是相邻的，且所述当前时刻振动信号是所述检测区间中最新采集的数据。
示例性的，预设数量可以取10，也即每个检测区间中包含10个振动信号样本。进一步地，“当前时刻振动信号是检测区间中最新采集的数据”可以理解为，每采集到一个新的振动信号(当前时刻振动信号)，就将其加入到原检测区间的最后一个位置，并剔除原检测区间的第一个样本，形成新的检测区间。因此，当前时刻振动信号是其检测区间中最新采集的信号。
作为其中一个可选的实施例，所述多尺度自编码器由三个尺度不同的编码器组成，其中，第一编码器由128个神经元和ReLU激活函数组成，第二编码器由64个神经元和ReLU激活函数组成，第三编码器由32个神经元和ReLU激活函数组成。
参见图3，是本发明一实施例提供的多尺度自编码器的示意图，由图2可以看出，将检测区间的数据(original signal)输入多尺度自编码器(MS-Encoder)后，多尺度自编码器会对检测区间内的振动信号进行不同尺度的编码融合，之后再经一个解码器(Decoder)输出重构后的数据(Reconstructed signal)。与单尺度编码器相比，多尺度编码器能够从原始信号中提取出更多细节特征，从而能够在延迟很高才逐渐出现异常退化的情况下，更早地发现异常退化位置。
值得说明的是，本发明实施例在使用多尺度自编码器进行数据重构之前，还对多尺度自编码器进行训练以使其满足要求。具体地，采集若干正常的振动信号组成训练集，将训练集中的数据一次性输入多尺度自编码器进行训练，得到这些训练数据的重构误差以及所有重构误差的均值和标准差，采用3σ准则进行判断，也即当每一个训练数据的重构误差与所述均值的差距均不超过三倍所述标准差时，多尺度自编码器训练完成。
作为其中一个可选的实施例，所述根据所述重构误差的均值和标准差，采用3σ原则判断所述当前时刻振动信号的采样时间是否为首次预测时间，包括：
根据重构误差的均值μ和标准差σ构建判定区间，其中，所述判定区间为(0，μ+3σ)；当所述当前时刻振动信号对应的重构误差不位于所述判定区间内时，判定所述当前时刻振动信号的采样时间为首次预测时间。
值得说明的是，在一种实施方式中，在计算出重构误差后，还对重构误差进行标准化，之后基于标准化的重构误差计算均值和标准差，因此判定区间为(0，μ+3σ)。
可以理解的是，在检测到首次预测时间之前，当前时刻振动信号之前的信号都是正常信号，因此，根据当前时刻振动信号与前序振动信号构建检测区间，再将该检测区间输入多尺自编码器得到重构数据并计算重构误差，之后基于重构误差采用3σ原则进行首次预测时间检测。当当前时刻振动信号对应的重构误差超过判定区间时，说明该信号偏离正常信号，因此，将其视为异常信号，并将其对应的采样时间作为首次预测时间并停止检测。
与现有技术相比，本发明实施例基于重构误差进行首次预测时间检测，能够更加准确、及时地发现轴承异常退化位置。
为了进一步说明本发明实施例检测首次预测时间(FPT)的及时性和准确性，以下通过实验将本发明实施例所述的首次预测时间确定方法与现有技术进行对比，其中，现有技术采用生成对抗网络学习机器健康状态下的数据分布，再构建健康指标来确定首次预测时间，参见图4，是采用现有技术确定西交轴承数据集的Bearing2_2的首次预测时间的实验结果，其中虚线标出的位置为FPT。进一步地，本发明实施例采用Bearing2_2的前30个正常样本作为训练集对多尺度自编码器进行训练，以10个样本作为检测区间的长度，参见图5，本发明实施例在循环重构到第47个样本时发现了大于3σ的异常退化样本，其中用虚线标出了大于3σ的位置，也即FPT(首次预测时间)，参见图6，是本发明实施例在全寿命周期下的FPT检测结果示意图，由图4和图6的对比结果可以看出，现有技术在确定FPT时跳过了早期故障位置，将FPT确定在了中期故障开始的位置，而本发明实施例能够直接将FPT确定在早期异常退化位置上，通过将FPT确定在早期故障位置，能够及早进行轴承故障干预和维修，与现有技术相比，本发明实施例的方法具备更强的时效性，能够更早地发现轴承异常退化位置。
与现有技术相比，本发明实施例提供的首次预测时间确定方法，将当前时刻振动信号加入检测区间；将所述检测区间内的数据输入预先构建的多尺度自编码器，再经解码器输出重构后的数据；将所述检测区间内的数据和对应的所述重构后的数据进行做差运算，得到重构误差；计算所述重构误差的均值和标准差；根据所述重构误差的均值和标准差，采用3σ原则判断所述当前时刻振动信号的采样时间是否为首次预测时间。本发明实施例能够在采集回来一个样本后实时对样本进行退化异常检测，以确定其是否为寻找的异常退化位置，进而确定首次预测时间，与现有技术相比，本发明实施例不需要获取整个轴承寿命周期的振动信号，具备更强的实用性。
参见图7所示，本发明实施例还提供一种首次预测时间确定装置，包括：
检测区间构建模块11，用于将当前时刻振动信号加入检测区间；
数据重构模块12，用于将所述检测区间内的数据输入预先构建的多尺度自编码器，再经解码器输出重构后的数据；
重构误差计算模块13，用于将所述检测区间内的数据和对应的所述重构后的数据进行做差运算，得到重构误差；
均值和标准差计算模块14，用于计算所述重构误差的均值和标准差；
首次预测时间判定模块15，用于根据所述重构误差的均值和标准差，采用3σ原则判断所述当前时刻振动信号的采样时间是否为首次预测时间。
本发明实施例提供的首次预测时间确定装置，能够实现上述实施例所述的首次预测时间确定方法的所有流程步骤，装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的首次预测时间确定方法的作用以及实现的技术效果对应相同，具体实现方式在此不赘述。
参见图8，本发明实施例还提供一种首次预测时间确定设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述首次预测时间确定方法实施例中的步骤，例如图1中所述的步骤S1～S5；或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述首次预测时间确定方法实施例中的步骤。
与现有技术相比，本发明实施例提供的首次预测时间确定装置、设备和存储介质，将当前时刻振动信号加入检测区间；将所述检测区间内的数据输入预先构建的多尺度自编码器，再经解码器输出重构后的数据；将所述检测区间内的数据和对应的所述重构后的数据进行做差运算，得到重构误差；计算所述重构误差的均值和标准差；根据所述重构误差的均值和标准差，采用3σ原则判断所述当前时刻振动信号的采样时间是否为首次预测时间。本发明实施例能够在采集回来一个样本后实时对样本进行退化异常检测，以确定其是否为寻找的异常退化位置，进而确定首次预测时间，与现有技术相比，本发明实施例不需要获取整个轴承寿命周期的振动信号，具备更强的实用性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种首次预测时间确定方法，其特征在于，包括：
将当前时刻振动信号加入检测区间；
将所述检测区间内的数据输入预先构建的多尺度自编码器，再经解码器输出重构后的数据；将所述检测区间内的数据和对应的所述重构后的数据进行做差运算，得到重构误差；
计算所述重构误差的均值和标准差；
根据所述重构误差的均值和标准差，采用3σ原则判断所述当前时刻振动信号的采样时间是否为首次预测时间。
2.如权利要求1首次预测时间确定方法，其特征在于，在所述计算所述重构误差的均值和标准差之前，还包括对所述重构误差进行均值滤波。
3.如权利要求1所述的首次预测时间确定方法，其特征在于，所述检测区间中包括预设数量的振动信号，其中，所述振动信号的采样时间是相邻的，且所述当前时刻振动信号是所述检测区间中最新采集的数据。
4.如权利要求1所述的首次预测时间确定方法，其特征在于，所述多尺度自编码器由三个尺度不同的编码器组成，其中，第一编码器由128个神经元和ReLU激活函数组成，第二编码器由64个神经元和ReLU激活函数组成，第三编码器由32个神经元和ReLU激活函数组成。
5.如权利要求1所述的首次预测时间确定方法，其特征在于，所述根据所述重构误差的均值和标准差，采用3σ原则判断所述当前时刻振动信号的采样时间是否为首次预测时间，包括：
根据重构误差的均值μ和标准差σ构建判定区间，其中，所述判定区间为(0，μ+3σ)；当所述当前时刻振动信号对应的重构误差不位于所述判定区间内时，判定所述当前时刻振动信号的采样时间为首次预测时间。
6.一种首次预测时间确定装置，其特征在于，包括：
检测区间构建模块，用于将当前时刻振动信号加入检测区间；
数据重构模块，用于将所述检测区间内的数据输入预先构建的多尺度自编码器，再经解码器输出重构后的数据；
重构误差计算模块，用于将所述检测区间内的数据和对应的所述重构后的数据进行做差运算，得到重构误差；
均值和标准差计算模块，用于计算所述重构误差的均值和标准差；
首次预测时间判定模块，用于根据所述重构误差的均值和标准差，采用3σ原则判断所述当前时刻振动信号的采样时间是否为首次预测时间。
7.一种首次预测时间确定设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～5任一所述的首次预测时间确定方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1～5任一所述的首次预测时间确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410309753.4A CN118052255A (zh) | 2024-03-19 | 2024-03-19 | 首次预测时间确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410309753.4A CN118052255A (zh) | 2024-03-19 | 2024-03-19 | 首次预测时间确定方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118052255A true CN118052255A (zh) | 2024-05-17 |
Family
ID=91053689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410309753.4A Pending CN118052255A (zh) | 2024-03-19 | 2024-03-19 | 首次预测时间确定方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118052255A (zh) |
-
2024
- 2024-03-19 CN CN202410309753.4A patent/CN118052255A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
| US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
| CN109948860A (zh) | 一种机械系统剩余寿命预测方法及系统 | |
| CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN104390657A (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
| CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| CN113742993A (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
| CN113792940A (zh) | 基于深度学习的水轮发电机组振摆数据预测方法及装置 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN110543869A (zh) | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 | |
| CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
| CN111538755A (zh) | 一种基于归一化互相关与单位根检验的设备运行状态异常检测方法 | |
| CN118052255A (zh) | 首次预测时间确定方法、装置、设备和存储介质 | |
| CN117216647A (zh) | 车身焊接设备预测性维护及故障诊断方法和系统 | |
| CN116821828A (zh) | 一种基于工业数据的多维时序预测方法 | |
| CN116189802A (zh) | 一种基于气体浓度时序数据的变压器故障预警方法 | |
| CN113673010B (zh) | 一种基于监测数据的钢箱梁评估方法与系统 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| CN115034094A (zh) | 一种金属加工机床运行状态预测方法及系统 | |
| CN108537174B (zh) | 时变工况条件下旋转机械运行状态在线监测方法及系统 | |
| CN114781762B (zh) | 一种基于寿命消耗的装备故障预测方法 | |
| CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
| CN118132996B (zh) | 一种基于工业数字孪生的自适应生产调度优化方法 | |
| CN117493980B (zh) | 一种集成特征提取和排序因果发现的轴承故障诊断方法 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |